蚁群算法是一种最新发展的模拟昆虫王国中蚂蚁群体觅食行为的仿生优化算法。在解决许多复杂的组合优化问题方面，展现了优异的性能，但在解决实际问题中仍然不够成熟，还有很大的发展空间。本文针对目前蚁群算法在解决实际组合优化问题时存在的一些缺陷，在大量阅读相关文献的基础上提出了几个可能性方面的改进方法及改进策略。本文主要工作是在蚁群算法实验性分析的基础上对算法模型进行改进，具体体现在通过对蚁群算法的一系列实验性分析，找到较为合理的参数组合范围和组合原则；信息素更新机制方面，首次引入了“先验因子”的概念，在信息素更新的时候更好地考虑先前的“经验”，以便尽力避免不必要的无用搜索；以及采用融合Hopfield神经网络的策略解决TSP问题。在解决实际TSP时，首先对所有城市所组成的无向图进行预处理，去掉其中的交叉路径；然后采取蚁群算法和人工神经网络中的Hopfield神经网络模型相融合的策略，利用改进后的蚁群算法来求解神经网络中的所有参数的较优组合，再用蚁群算法训练后Hopfield神经网络对TSP进行求解。最后，通过基准问题库中的Ei151TSP和Att48TSP的求解，验证了改进后的蚁群算法的可行性以及改进后的蚁群神经网络应用于求解TSP的高效性。